«Правильная модель под задачу»: LegalOn развела Astra, Sol и Luna по ступеням и сократила оценочные расходы на Codex на 65%

Что произошло

«LegalOn Technologies» — японская компания, которая делает ИИ-инструменты для юридической работы и других ключевых бизнес-функций: она соединяет отраслевую экспертизу с ИИ, чтобы люди занимались сложными суждениями и решениями, а цель компании — управление на основе ИИ, повышающее качество и скорость деловых решений.

Codex встроили в процесс разработки и расширяли его использование по всей организации через повседневную работу; вместе с ростом внедрения появилась новая проблема — контроль расходов: неограниченное использование высокопроизводительных моделей повышало затраты, а сплошные ограничения грозили свести на нет прирост производительности.

Решение нашлось в выборе между GPT-6 (Astra, Luna) и GPT-6.1 Sol по сложности задачи и стадии разработки и в привязке бюджетов к стадии роста каждого бизнеса; по данным компании, расходы удалось сократить вдвое, не потеряв скорость разработки.

От неограниченного доступа к правилам выбора

Сначала разработчикам дали неограниченный доступ к основной модели — GPT-5.5 в режиме Fast; её применяли в дизайне, реализации и повседневной работе, экспериментально выясняя, как лучше делить обязанности между человеком и ИИ.

Продолжать без лимитов было нельзя — это неизбежно вывело бы за годовой бюджет. Тогда AI-powered Development CoE (AID CoE) компании начал разрабатывать правила выбора моделей: CoE тестировал и отслеживал модели, а руководители делились выводами с командами, чтобы каждый инженер мог сам выбрать подходящую модель под задачу.

Новые правила перевели компанию с принципа «самая мощная модель под каждую задачу» на «правильная модель под задачу»: команды начинают с лёгкой модели и переходят к более способным по мере роста сложности.

Три ступени: Luna, Sol и Astra

Чтобы поддержать управление, компания ввела системные контроли через настройки администратора с месячными лимитами использования для подразделений и отдельных сотрудников; AID CoE следит за использованием и корректирует лимиты по потребностям бизнеса.

Внутреннее тестирование уточнило критерии: GPT-6 Luna — самая лёгкая модель, берёт реализацию кода с понятными требованиями; GPT-6.1 Sol поддерживает стандартный дизайн, анализ данных и подготовку документов; GPT-6 Astra — самая мощная, отвечает за продвинутые суждения, включая проектирование архитектуры.

В детальной разбивке Luna отвечает за повседневное исполнение и автоматизации, делегирование относительно простых задач и анализа, реализацию кода — в основном в роли subagent; Sol — за стандартный дизайн и анализ, несложное проектирование ПО, рутинный числовой анализ и создание документов, а также задачи, которые нужно завершить быстрее, чем с Luna; Astra — за сложный анализ, проектирование и оркестрацию, сложные документы и проектирование ПО, а также координацию агентов в роли оркестратора.

Бюджеты и режим Fast

Параллельно с выбором моделей компания начала по умолчанию ограничивать режим Fast, разрешая отдельные обращения к нему только по необходимости; хотя изменение вызвало опасения за скорость разработки, команды сохранили темп за счёт таких приёмов, как параллельное выполнение задач.

Появились потолки бюджета на ИИ на уровне подразделения, группы и отдельного сотрудника: зрелому бизнесу LegalOn предложили повысить эффективность затрат примерно на 20%, а новым бизнесам на стадии запуска дали щедрые бюджеты, чтобы они активно использовали ИИ.

По словам Юты Токитаке (Yuta Tokitake), старшего инженерного менеджера LegalOn Technologies, новые бизнесы ставили скорость выше экономии: цель была использовать ИИ широко, чтобы наращивать результат и в итоге расти.

Результат и что дальше

Вместе выбор моделей, ограничения функций и бюджеты под каждый бизнес снизили оценочные суточные расходы примерно на 65%; общий бюджет при этом остался под контролем, а ресурсы направлялись туда, где компания хотела расти.

В сводке результатов OpenAI перечисляет четыре следствия: переход от «самой мощной модели под каждую задачу» к выбору из Astra, Sol и Luna по сложности и стадии разработки; сохранение производительности после ограничения Fast за счёт параллельной работы; потолки бюджетов, давшие около 20% прироста эффективности в зрелом бизнесе при активных вложениях в новые; снижение оценочных суточных расходов на 65% по сравнению с GPT-5.5.

Дальше компания хочет измерять отдачу от ИИ не по скорости разработки, а по ценности для клиента: она строит метрику вокруг релиза функции как единицы работы, связывая ценность, которую приносит релиз, с фактическими затратами ИИ на него, а также планирует базу знаний с лучшими сочетаниями моделей для дизайна, реализации и ревью.